先分清两种失败：「答不对」和「做不完」
找我们做诊断的客户，开口第一句往往是「我们想上一个 AI」。我们会先反问一个问题：你希望 AI 帮你解决的事，是「答」，还是「做」？
「答」类需求——客服问答、制度查询、售前咨询——失败的样子是答非所问、张冠李戴。病根几乎都不在模型：这几年模型的能力已经足够好，问题出在喂给它的资料残缺、过期、散落在不同员工的电脑里。知识本身是乱的，AI 再聪明也只能乱答。
「做」类需求——自动开单、定时巡检、在多个系统之间搬运数据——失败的样子是流程走到某一步卡住。病根同样不在模型，而在流程从来没有被写清楚：异常由谁处理、缺了字段怎么办、超时算失败还是重试。人能靠默契补上的缝隙，机器一步都跨不过去。
我们内部常说一句话：AI 答不对，先看数据；AI 做不完，先看 SOP。数据是知识库的地基，SOP 是自动化的图纸——这两样没准备好，换任何模型都救不了项目。
知识库不是一步到位，是四级递进
说到「数据」，很多客户的想象是一步建成一个庞大完整的知识库。我们实际的建议是按四级递进——每一级都有独立的价值，也能独立验收：
- 文档搜索（L0）——把散落的文档集中、清理、打好标签，让员工能搜到。这一步甚至不涉及 AI 模型，却经常直接解决问题：不少企业的痛点只是「找不到」。
- 检索问答（L1）——在干净的文档之上加检索增强生成（RAG）：用户用自然语言提问，系统先检索相关片段，再让模型组织答案并标注出处。适合客服、新员工培训、内部制度查询。
- 工作流自动化（L2）——把固定步骤串成流程：收到询价单自动提取字段、生成报价草稿、抄送负责人。此时 AI 是流程里的「工人」，前提是步骤本身已经被 SOP 定义清楚。
- 智能体 Agent（L3）——让模型自主决定下一步调什么工具、查什么数据。自由度最高，不确定性也最高。只有当 L1、L2 已经跑稳、评测数据齐备时，我们才建议客户考虑。
这套递进的本质是风险控制：越往上，AI 的自主权越大，出错时排查越难。中小企业通常没有专职 AI 团队，从下一级起步、用上一级的收益去养下一级的投入，才是走得通的路。
一份可以直接照着走的选型清单
做诊断时，我们会让客户对照这几个问题打钩——这也是我们自己立项时的自查单：
- 要解决的知识散落在哪几种载体里？扫描件、表格、聊天记录的解析成本完全不同，扫描件必须先过文字识别（OCR）。
- 答错一次的代价是多少钱？代价高的场景（报价、合规）必须配引用溯源和人工复核，宁可答得慢。
- 流程里有没有「只有老师傅才知道」的环节？有，就先写 SOP，再谈自动化。
- 能不能攒出 50 条真实的测试问题？攒不出来，说明需求还没想清楚，先别急着选型。
- 数据能不能出内网？这决定用云端 API 还是私有化部署——它是约束条件，不是偏好。
诊断先于选型
最后回到开头：选型是整个落地过程的下半场。我们见过的失败项目，几乎没有一个是「选错了模型」，绝大多数是带着模糊的需求直接冲进了采购流程。先花一周把「答什么、答给谁、答错的代价、流程的断点」写清楚，再决定从 L0 还是 L2 起步——这一周，通常是整个项目里性价比最高的投资。